Kokoro TTS

在 Clore.ai GPU 上运行 Kokoro TTS——一款超轻量级 8200 万参数的文字转语音模型。

Kokoro 是一款拥有 8200 万参数的文本转语音模型，性能远超其体量。尽管体积很小（VRAM 占用不到 2 GB），它仍能生成非常自然的英语语音，并且即使在入门级硬件上也能以实时或更快的速度运行。凭借 Apache 2.0 许可、内置多种音色风格以及对 CPU 推理的支持，Kokoro 非常适合实时应用、聊天机器人和边缘部署。

HuggingFace： hexgrad/Kokoro-82M PyPI： kokoro 许可证： Apache 2.0

主要特性

• 8200 万参数 —— 现有最小的高质量 TTS 模型之一

• < 2 GB VRAM —— 几乎可在任何 GPU 上运行，甚至可以在 CPU 上运行

• 多种音色风格 —— 美式英语、英式英语；男声和女声

• 实时或更快 —— 适合流式传输的低延迟推理

• 流式生成 —— 在音频块生成时即可输出

• 多语言支持 —— 英语（主要）、日语（misaki[ja]）、中文（misaki[zh])

• Apache 2.0 — 可免费用于个人和商业用途

需求

组件	最低	推荐
GPU	任何具备 2 GB VRAM 的设备	RTX 3060
显存	2 GB	4 GB
内存	4 GB	8 GB
磁盘	500 MB	1 GB
Python	3.9+	3.11
系统	已安装 espeak-ng	—

Clore.ai 推荐： 一块 RTX 3060（$0.03–0.07/小时）就绰绰有余。Kokoro 甚至可以在仅 CPU 实例上运行，实现极具成本效益的 TTS。

安装

# 安装系统依赖
apt-get install -y espeak-ng

# 安装 Kokoro 和音频 I/O
pip install kokoro>=0.9.4 soundfile torch

# 日语支持（可选）
pip install misaki[ja]

# 中文支持（可选）
pip install misaki[zh]

# 验证
python -c "from kokoro import KPipeline; print('Kokoro 已就绪')"

快速开始

from kokoro import KPipeline
import soundfile as sf

# 初始化流水线
# 'a' = 美式英语, 'b' = 英式英语
pipeline = KPipeline(lang_code='a')

text = """
Kokoro 是一款轻量级文本转语音模型，参数仅有八千二百万。
尽管体积很小，它仍能生成自然且富有表现力的语音。
"""

# 生成音频 — 音色选项：af_heart, af_bella, af_nicole, af_sarah, af_sky,
#                                  am_adam, am_michael, bf_emma, bf_isabella, bm_george, bm_lewis
generator = pipeline(text, voice='af_heart', speed=1.0)

for i, (graphemes, phonemes, audio) in enumerate(generator):
    sf.write(f'output_{i}.wav', audio, 24000)
    print(f"第 {i} 段：{graphemes[:50]}...")

print("完成！")

使用示例

多种音色对比

使用不同音色生成相同文本进行比较：

from kokoro import KPipeline
import soundfile as sf

pipeline = KPipeline(lang_code='a')

text = "欢迎来到 Clore.ai，一个点对点 GPU 市场。"

voices = ['af_heart', 'af_bella', 'am_adam', 'am_michael']

for voice in voices:
    generator = pipeline(text, voice=voice, speed=1.0)
    for i, (gs, ps, audio) in enumerate(generator):
        sf.write(f'{voice}_{i}.wav', audio, 24000)
    print(f"已生成：{voice}")

英式英语与速度控制

from kokoro import KPipeline
import soundfile as sf

# 'b' = 英式英语
pipeline = KPipeline(lang_code='b')

text = "下午好。这是英式英语合成的演示。"

# speed < 1.0 = 更慢, speed > 1.0 = 更快
generator = pipeline(text, voice='bf_emma', speed=0.85)

all_audio = []
for gs, ps, audio in generator:
    all_audio.append(audio)

import numpy as np
combined = np.concatenate(all_audio)
sf.write('british_slow.wav', combined, 24000)
print(f"总时长：{len(combined)/24000:.1f} 秒")

批量文件处理

处理多个文本并将其合并为单个有声书风格文件：

from kokoro import KPipeline
import soundfile as sf
import numpy as np

pipeline = KPipeline(lang_code='a')

chapters = [
    "第一章。我们的旅程从这里开始。"，
    "太阳从群山上升起，在山谷中投下长长的影子。"，
    "她打开门，走进了未知。"，
]

all_audio = []
silence = np.zeros(int(24000 * 0.5))  # 章节之间 0.5 秒静音

for idx, text in enumerate(chapters):
    for gs, ps, audio in pipeline(text, voice='af_bella', speed=1.0):
        all_audio.append(audio)
    all_audio.append(silence)
    print(f"第 {idx+1} 章完成")

combined = np.concatenate(all_audio)
sf.write('audiobook.wav', combined, 24000)
print(f"总计：{len(combined)/24000:.1f} 秒")

给 Clore.ai 用户的建议

• CPU 推理 —— Kokoro 足够小，可以在 CPU 上运行；适用于对成本敏感的工作负载或没有可用 GPU 的情况

• 流式输出 —— 生成器会在音频块产生时将其输出，从而支持网页应用中的实时播放

• 与 WhisperX 结合 —— 在语音流水线中使用 WhisperX 进行转写，使用 Kokoro 进行重新合成

• Docker — 使用 pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime 并添加 apt-get install -y espeak-ng 为你的初创项目

• 音色一致性 —— 每个项目坚持使用同一个音色 ID，以获得一致的叙述者体验

• 成本效益 —— 在 RTX 3060 上仅需 $0.03–0.07/小时，Kokoro 是最便宜的自托管 TTS 解决方案之一

故障排查

问题	解决方案
未找到 espeak-ng	运行 apt-get install -y espeak-ng （所需系统依赖）
ModuleNotFoundError: kokoro	使用以下方式安装 pip install kokoro>=0.9.4 soundfile
音频听起来很机械	尝试更换音色（例如， af_heart 往往听起来最自然）
日语/中文无法工作	安装语言扩展包： pip install misaki[ja] 或 misaki[zh]
CPU 内存不足	减少每次调用的文本长度；Kokoro 会流式输出音频块，因此内存占用保持受限
首次运行较慢	模型权重在首次使用时下载（约 200 MB）；后续运行将是即时的